CN112749593A - 医学成像系统、识别检测对象的体位的方法、存储介质 - Google Patents

医学成像系统、识别检测对象的体位的方法、存储介质 Download PDF

Info

Publication number
CN112749593A
CN112749593A CN201911050865.8A CN201911050865A CN112749593A CN 112749593 A CN112749593 A CN 112749593A CN 201911050865 A CN201911050865 A CN 201911050865A CN 112749593 A CN112749593 A CN 112749593A
Authority
CN
China
Prior art keywords
learning network
image
body position
deep learning
scan
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911050865.8A
Other languages
English (en)
Inventor
戴擎宇
鹿麒麟
葛雅安
王坤
王龙庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GE Precision Healthcare LLC
Original Assignee
GE Precision Healthcare LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GE Precision Healthcare LLC filed Critical GE Precision Healthcare LLC
Priority to CN201911050865.8A priority Critical patent/CN112749593A/zh
Priority to US17/074,849 priority patent/US11540788B2/en
Publication of CN112749593A publication Critical patent/CN112749593A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5223—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data generating planar views from image data, e.g. extracting a coronal view from a 3D image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0037—Performing a preliminary scan, e.g. a prescan for identifying a region of interest
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
    • A61B5/283—Invasive
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
    • A61B5/6847—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive mounted on an invasive device
    • A61B5/686—Permanently implanted devices, e.g. pacemakers, other stimulators, biochips
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7285—Specific aspects of physiological measurement analysis for synchronising or triggering a physiological measurement or image acquisition with a physiological event or waveform, e.g. an ECG signal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/04—Positioning of patients; Tiltable beds or the like
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/488—Diagnostic techniques involving pre-scan acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0204—Operational features of power management
    • A61B2560/0214—Operational features of power management of power generation or supply
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/034—Recognition of patterns in medical or anatomical images of medical instruments

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Biology (AREA)

Abstract

本发明的实施例提供了一种医学成像中识别检测对象的体位的方法、医学成像系统以及计算机可读存储介质。该方法包括：经由训练的深度学习网络接收图像组，该图像组包括经由对检测对象执行预扫描得到的在多个方位上的多幅预扫描图像；以及，经由该深度学习网络输出检测对象的体位信息。

Description

医学成像系统、识别检测对象的体位的方法、存储介质
技术领域
本发明涉及医学成像技术，更具体地涉及一种在医学成像中识别检测对象的体位的方法以及计算机可读存储介质。
背景技术
在诸如磁共振成像(MRI)、计算机断层扫描(CT)成像等医学成像技术中，通常需要在执行扫描时设置患者的体位信息，以能够确定图像的解剖学切面方向(例如冠状位、矢状位和横断位)。这些体位信息包括，例如，头或脚的朝向(例如，表示为在患者被移动至扫描区域时是头先进入扫描区域还是脚先进入)和患者的躺卧姿势(例如，仰卧、俯卧、左侧卧和右侧卧)。然而，执行成像扫描的操作者(例如医生或技师)希望尽可能地减少手动设置带来的繁琐和时间耗费，更希望尽可能减少由于信息输入错误带来的更严重的问题，比如，获取的具有错误信息的图像无法用于诊断而需要重新进行手动修改甚至需要对患者再次进行扫描。
发明内容
本发明的实施例提供一种医学成像中识别检测对象的体位的方法，其包括：经由训练的深度学习网络接收图像组，所述图像组包括经由对检测对象执行预扫描得到的在多个方位上的多幅预扫描图像；以及，经由所述深度学习网络输出所述检测对象的体位信息。
本发明的实施例还提供一种计算机可读存储介质，其用于存储计算机程序，所述计算机程序由计算机执行时使计算机执行上述方法。
本发明的实施例还提供了一种医学成像系统，其包括控制器单元，所述控制器单元用于控制训练的深度学习网络接收图像组，并接收经由所述深度学习网络输出的检测对象的体位信息，所述图像组包括经由所述医学成像系统对检测对象执行预扫描得到的在多个方位上的多幅预扫描图像。
通过下面的详细描述、附图以及权利要求，其他特征和方面会变得清楚。
附图说明
通过结合附图对于本发明的示例性实施例进行描述，可以更好地理解本发明，在附图中：
图1是根据本发明一种实施例的一种医学成像中识别检测对象的体位的方法的流程图；
图2示出了VGG卷积神经网络的一个示例的架构图；
图3示出了利用单独的深度学习网络输出体位信息的示意图；
图4示出了利用级联的第一学习网络和第二学习网络输出体位信息的示意图；
图5示出了磁共振成像扫描系统的一个示例的结构图。
具体实施方式
以下将描述本发明的具体实施方式，需要指出的是，在这些实施方式的具体描述过程中，为了进行简明扼要的描述，本说明书不可能对实际的实施方式的所有特征均作详尽的描述。应当可以理解的是，在任意一种实施方式的实际实施过程中，正如在任意一个工程项目或者设计项目的过程中，为了实现开发者的具体目标，为了满足系统相关的或者商业相关的限制，常常会做出各种各样的具体决策，而这也会从一种实施方式到另一种实施方式之间发生改变。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本发明公开的内容相关的本领域的普通技术人员而言，在本公开揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本公开的内容不充分。
除非另作定义，权利要求书和说明书中使用的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“一个”或者“一”等类似词语并不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件，并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，也不限于是直接的还是间接的连接。
本发明一些实施例基于深度学习(Deep Learning)技术可以自动识别被成像的检测对象的体位信息，使得在成像过程中可以进一步利用识别的体位信息确定扫描图像的方位信息，因此，在对检测对象的成像过程中，无需操作者手动设置体位信息，减少操作压力，避免由于失误输入错误的体位信息。这些实施例可以用于磁共振成像技术中，例如在磁共振成像系统的操作界面不再设置体位选择/输入窗口，而是利用对检测对象执行预扫描时获取的图像自动识别体位信息，这些实施例还可以以类似的、合理的方式应用于诸如CT、PET、SPECT等其它成像技术中。
如本文所讨论的，深度学习技术(又被称为深度机器学习、分层学习或深度结构化学习等可以采用深度学习网络(例如人工神经网络)对输入数据进行处理以识别感兴趣信息。深度学习网络可以使用一个或多个处理层(例如，输入层、归一化层、卷积层、池化层、输出层)等等，按照不同的深度学习网络模型可以具有不同数量和功能的处理层)来完成，其中层的配置和数量允许深度学习网络处理复杂的信息提取和建模任务。通常通过所谓的学习过程(或训练过程)来估计网络的特定参数(又可以称为“权重”或“偏差”)。被学习或训练的参数通常会导致(或输出)一个对应于不同级别层的网络，因此提取或模拟初始数据的不同方面或前一层的输出通常可以表示层的层次结构或级联。在图像处理或重建的过程中，这可以表征为相对于数据中的不同特征级别的不同层。因此，处理可以分层进行，即，较早或较高级别的层可以对应于从输入数据中提取“简单”特征，接着是将这些简单特征组合成表现出更高复杂度的特征的层。实际上，每层(或者更具体地，每层中的每个“神经元”)可以采用一个或多个线性和/或非线性变换(所谓的激活函数)来将输入数据处理为输出数据表示。多个“神经元”的数量可以是在多个层之间恒定的，或者可以从层到层变化。
如本文所讨论的，作为解决特定问题的深度学习过程的初始训练的一部分，训练数据集包括已知输入值(例如，具有RGB深度信息的医学图像或将医学图像进行坐标变换的像素矩阵)以及深度学习过程的最终输出的期望(目标)输出值(例如图像中检测对象的体位信息或者包括该体位信息的图像类别信息)。以这种方式，深度学习算法可以(以监督或引导的方式或以无监督或非指导的方式)处理该训练数据集，直到识别出已知输入和期望输出之间的数学关系和/或识别和表征每层的输入和输出之间的数学关系。学习过程通常利用(部分)输入数据，并为该输入数据创建网络输出，然后将创建的网络输出与该数据集的期望输出进行比较，然后使用创建的和期望的输出之间的差异来迭代地更新网络的参数(权重和/或偏差)。通常可以使用随机梯度下降(Stochastic gradient descent,SGD)方法来更新网络的参数，然而本领域技术人员应当理解也可以使用本领域中已知的其他方法来更新网络参数。类似地，可以采用单独的验证数据集以对所训练的学习网络进行验证，其中已知输入和期望输出都是已知的，通过将已知输入提供给所训练的学习网络可以得到网络输出，然后将该网络输出与(已知的)期望输出进行比较以验证先前的培训和/或防止过度培训。
图1示出了根据本发明一些实施例的用于医学成像中识别检测对象的体位的方法100的流程图。如图1所示，该方法100包括步骤S102和S104。
在步骤S102中，经由训练的深度学习网络接收图像组，该图像组包括经由对检测对象执行预扫描得到的在多个方位上的多幅预扫描图像。
以磁共振成像为例，通常，对检测对象执行预扫描(也可称为定位扫描、基础扫描)可以重建出一系列图像，这一系列图像例如包含15(或其他数量)幅预扫描图像，每幅预扫描图像具有能够(例如，基于预先设置的检测对象的体位信息)识别的方位信息，本领域技术人员应当理解，方位信息用以说明是人体哪个方位的解剖面上的图像，其中可以包括冠状位、矢状位和横断位这三个基本方位。
步骤S102中的该多个方位即包括冠状位、矢状位和横断位，即深度学习网络接收的图像组中包括冠状位预扫描图像、矢状位位预扫描图像和横断位预扫描图像等三个方位的图像，例如，上述的15幅预扫描图像中可能有5幅冠状位图像、5幅矢状位图像和5幅横断位图像。
训练的深度学习网络具有能够根据该组预扫描图像识别检测对象的体位的能力。并且，在步骤S104中，经由该深度学习网络输出检测对象的体位信息。
步骤S104具体可以包括：在多个预先确定的多个体位类型中确定一个作为所述检测对象的体位信息。例如，深度学习网络可以通过对接收的多幅预扫描图像进行处理，进而确定检测对象的体位属于上述哪种体位类型的概率最大。
该深度学习网络可以通过训练数据的准备，网络模型的选择和构建，网络的训练、测试以及优化来完成。
训练数据可以是医学扫描图像，例如磁共振预扫描图像，具体地，其可以包括例如针对人体的多个感兴趣区域(例如腹部、胸腔、心脏、头部等)在多个已知的(或确定的)体位进行磁共振预扫描时获得的图像。一种实施例中，上述深度学习网络是将这些图像作为网络模型的输入，而对应的多个已知体位作为网络模型的输出进行数据训练得到的。
例如，在进行数据训练时，可以将多个惯常使用的体位类型作为深度学习网络的输出，其中，每个体位类型包括检测对象的头或脚的朝向与仰卧、俯卧、左侧卧或右侧卧中的一个的组合。例如，这些体位类型例如可以包括如图2所示的8种体位，其中，HFS代表头先进，仰卧(Head First,Supine)；HFP代表头先进，俯卧(Head First,Prone)；HFDR代表头先进，右侧卧(Head First,Right Decub)；HFDL代表头先进，左侧卧(Head First,LeftDecub)；FFS代表脚先进，仰卧(Feet First,Supine)；FFP代表脚先进，俯卧(Feet first,Prone)；FFDR代表脚先进，右侧卧(Feet First,Right Decub)；FFDL代表脚先进，左侧卧(Feet First,Left Decub)。“脚先进”表示当检测对象处于检测床上时，其脚部靠近扫描区域(例如扫描腔)，当移动检测床使其上的检测对象自外部进入扫描腔时，检测对象的脚部先进入扫描区域，“头先进”亦然。
在一些实施例中，该深度学习网络是基于VGGNet(Visual Geometry GroupNetwork)卷积神经网络或其他公知的模型进行训练的，例如，可以选择VGG-11网络来实现本发明的实施例。图2示出了VGG-11网络的架构示意图，其具体包括输入层、输出层、位于输入层和输出层之间的5组卷积层(共8个卷积层)和3个全连接层，其中每组卷积层后还连接有池化层。每个卷积核的大小为3*3(像素)，每个池化核的大小为2*2(像素)，每组卷积层的卷积核的个数分别为64、128、256 512和512。在训练时，将大量图像组输入至深度学习网络，其中每个图像组包括多幅具有相同的已知体位类型的图像(例如每个图像组是一次预扫描或扫描所获得的图像组)，每幅图像的尺寸可以为，例如，224*224*3，并对应地将该已知体位类型设定为深度学习网络的输出，(或者将在下文描述的，将大量具有已知图像类别的图像输入至深度学习网络，并对应地将该已知图像类别作为深度学习网络的输出)，通过卷积学习来确定每层中每个像素处的权重以及其它需要的参数，以识别出已知输入和输出之间的数学关系和/或表征每层的输入和输出之间的数学关系,来建立能够用于识别体位(或图像类别)的深度学习网络。其中，通过各卷积层对上级输出的图像数据进行卷积处理，得到该卷积层的特征图，。通过池化层对上层卷积层的特征图进行例如最大池化，以提取主要特征。通过全连接层来对上层特征图进行整合，并经由输出层输出经过例如逻辑回归处理得到的判断结果，即体位信息或者下述的图像类别。
学习过程中可以基于已知输入(预扫描图像组)对应的网络输出(体位信息或者图像类别)与实际的信息(已知体位信息或者图像类别)进行比较，其差值即为损失函数(lossfunction)，通过损失函数可以迭代地更新网络的参数(权重和/或偏差)，使损失函数不断减小，从而训练出更高的准确率的神经网络模型。在一些实施例中，可以用作损失函数的函数有很多，包括但不限于均方误差(mean squared)，交叉熵误差(cross entropy error)等。
图3示出了利用单独的深度学习网络输出体位信息的示意图，如图3所示的，在一种实施例中，在例如磁共振扫描时，可以将获得的一系列预扫描图像输入至深度学习网络的输入层，然后基于在训练过程中确定的权重等参数对这些图像进行处理，从而在输出层输出当前接受扫描的检测对象的体位类型。
图4示出了利用级联的第一学习网络和第二学习网络输出体位信息的示意图；如图4所示，上述深度学习网络可以包括第一学习网络402和第二学习网络404，第一学习网络402可以是上述VGG-11架构或类似的架构，第二学习网络404可以是架构较为简单的分类器。
第一学习网络402用于接收上述图像组，并输出每幅预扫描图像的图像类别。该图像类别包括上述多个方位(冠状位、矢状位和横断位)中的至少一个与该多个体位类型(HFS、HFP、HFDR、HFDL、FFS、FFP、FFDR、FFDL)中的至少一个的组合。也就是说，通过第一学习网络402，可以判断预扫描图像可能是哪些方位的图像以及其中的检测对象可能的体位。
在训练时，第一学习网络402的输入层接收多幅例如尺寸为256*256*3的图像，并在输出层设定每幅图像对应的已知图像类别，通过卷积学习来确定每层中每个像素处的权重以及其它需要的参数，来建立能够用于识别图像类别的深度学习网络。
因此，在进行磁共振扫描时，可以将获得的一系列预扫描图像输入至第一深度学习网络的输入层，然后基于在训练过程中确定的权重等参数对这些图像进行处理，从而在输出层输出每幅预扫描图像的图像类别。
上述图像类别可以是以下列表中的多个已知图像类别中的一种：
类别A：横断位、HFS、FFS的组合；其表示预扫描图像是横断位图像，其中的检测对象的体位是HFS或FFS。
类别B：横断位、HFP、FFP的组合；其表示预扫描图像是横断位图像，其中的检测对象的体位是HFP或FFP。
类别C：横断位、HFDR、FFDL的组合；其表示预扫描图像是横断位图像，其中的检测对象的体位是HFDR或FFDL。
类别D：横断位、HFDL、FFDR的组合；其表示预扫描图像是横断位图像，其中的检测对象的体位是HFDL或FFDR。
类别E：矢状位、冠状位、HFS、HFP、HFDR、HFDL的组合；其表示预扫描图像是矢状位图像或冠状位图像，其中的检测对象的体位是HFS、HFP、HFDR或HFDL；
类别F：矢状位、冠状位、FFS、FFP、FFDR、FFDL的组合；其表示预扫描图像是冠状位图像或矢状位图像，其中的检测对象的体位是FFS、FFP、FFDR或FFDL。
上述图像类别的划分方式有利于得到准确的体位信息，当然，本发明的实施例还可以采用其它数量和划分方式的图像类别对上述第一学习网络和第二学习网络进行训练，以有利于得到更准确的体位信息或者达到其它的有益效果。
在训练时，第二学习网络404可以接收在多次预扫描过程中产生的图像组的已知图像类型，并在输出层设定执行每次预扫描检测对象的体位，通过卷积学习来确定每层中每个像素处的权重以及其它需要的参数，来建立能够用于识别基于图像类别识别体位的第二学习网络。
因此，在通过第一学习网络402向第二学习网络输出每幅预扫描图像的图像类别后，第二学习网络404可以输出检测对象的体位信息。
先经由第一学习网络402对输入的图像组进行分析以获得每幅预扫描图像的图像类别，根据该图像类别能够至少得出每幅预扫描图像可能的方位和体位类型，然后进一步根据第二学习网络404对输入的每幅预扫描图像的图像类别进行分析，即可得出检测对象正确的体位信息。通过这种方式，能够较大程度地提升体位识别地准确率，例如，至少能够避免运算量过大引起的准确率降低的问题。
例如，如果第一学习网络402接收10幅预扫描图像，并且输出第一到第十幅预扫描图像的图像类别中有4个属于类别D，6个属于类别E,则第二学习网络404能够输出检测对象的准确的体位，即HFDL。
进一步地，第二学习网络404用于在接收的图像类别中提取较少数的图像类别，并将其修正为与接收的图像类别中较多数的图像类别一致。这可以通过在第二学习网络404中设置预处理层来实现。通过首先输出每幅预扫描图像的图像类别，使得在第二学习网络404中有机会对错误的图像类别进行修正，使得最终输出的体位信息的准确性较高。
例如，如果第一学习网络402接收10幅预扫描图像，并且输出第一到第十幅预扫描图像的图像类别中有3个属于类别D，6个属于类别E,1个属于类别C，则第二学习网络404通过预处理将上述类别C修正为类别D或类别E后，并对预处理后的数据进行处理以输出检测对象的准确的体位，即HFDL。
进一步地，第二学习网络404判断上述较少数的图像类别中的方位，并将其修正为包括有该方位的较多数的图像类别。即上述进行修改的较少数的图像类别和该较多数的图像类别具有相同的方位。例如，由于类别C中的方位为横断位，则将其修正为同样指向横断位的类别D，而非指向矢状位的类别E。
在医学成像扫描流程中，在预扫描结束，对检测对象执行正式扫描可以获取该检测对象的多幅医学诊断图像，因此，在基于上述方法300的任一实施例识别检测对象的体位信息，并且基于正式扫描得到医学诊断图像后，可以基于识别的体位信息确定每幅医学诊断图像的方位信息。
通过对检测对象体位的自动识别，使得即使不再要求医生或技师手动设置体位信息，也能够如传统扫描过程一样使得重建出的每幅图像的方位信息能够被确定，并且使得扫描流程更流畅，扫描结果也具有较高的鲁棒性。例如，医学成像系统可以基于自动识别的体位信息HFS(头先进，仰卧)以及采用的扫描序列判断出对应的预扫描图像为哪个方位的图像。
上述方法可以用于磁共振或其它医学成像扫描技术中，图5示出了磁共振成像扫描系统的一个示例的结构图，以下将结合图5描述将上述医学成像扫描方法应用在磁共振成像扫描技术的示例。
如图5所示，该磁共振成像系统500包括；扫描仪(scanner)510、床(table)520、控制器单元530、数据处理单元540、操作控制台550和显示单元560。
在一个示例中，扫描仪510可以包括主磁体组件511，主磁体组件511通常包括限定在外壳内的环形超导磁体，该环形超导磁体安装在环形的真空容器内。该环形超导磁体及其外壳限定了环绕检测对象56的圆柱形的空间，即图5所示的扫描腔512。扫描腔512限定磁共振成像系统的成像区域或者成像区域的至少一部分。
床520被设置为能够与扫描腔512的患者入口相连通，其用于承载检测对象56，使得检测对象56能够以特定的体位(例如上述多种体位类型中的一种)被移动至扫描区域以接受成像扫描。
扫描仪510还包括RF发射线圈516、射频发生器513、梯度线圈组件514、梯度线圈驱动器515、RF接收线圈570以及数据采集单元517。对检测对象56执行成像扫描流程时，扫描仪510用于获取检测对象56的图像数据。
上述图像数据可以经由数据处理单元540进行运算、重建等处理。数据处理单元540可以包括计算机和存储介质，在该存储介质上记录要由计算机执行的预定数据处理的程序。
控制器单元530耦合至扫描仪510、床520以及数据处理单元540，以控制这些部件执行磁共振成像的扫描流程，该扫描流程具体地可以包括预扫描流程和正式扫描流程。
控制器单元530可以包括计算机和存储介质，该存储介质用于存储可以由计算机执行的程序，当计算机执行程序时，可以使扫描仪510、床520、显示单元560等部件执行预扫描流程、扫描流程中的相应操作。还可以使数据处理单元540执行预定的数据处理。
控制器单元530和数据处理单元540的存储介质可以包括例如ROM、软盘、硬盘、光盘、磁光盘、CD-ROM、或非易失性存储卡。
操作控制台550可以包括用户输入设备，诸如键盘和鼠标，操作者可以通过用户输入设备来向控制器单元530输入控制信号或者参数设置，这些参数设置通常包括设置检测对象的体位信息，但是本实施例中可以省略这一步骤，而是通过深度学习网络来自动识别检测对象的体位信息。
显示单元560可以连接操作控制台550以显示操作界面，其中包括参数设置界面，还可以连接数据处理单元540以显示重建图像或者通过耦合至磁共振成像系统的摄像机拍摄的各种图像。
在进行磁共振成像扫描时，医生或技师通常需要帮助或者指导检测对象按照期望的体位定位在床520上。然后在执行预扫描之前即在操作界面上设置检测对象的体位信息，如果体位信息设置地与检测对象的实际定位姿势不一致，则需要花费时间去修复这样的错误，或者直接导致重新执行扫描。
采用本发明的方法后，不进行体位设置，而是先通过扫描仪执行预扫描来获取一组预扫描图像，进而利用预扫描图像来识别检测对象的体位，当基于预扫描图像确定了感兴趣区域后，可以对该感兴趣区域执行正式扫描，数据处理单元540基于正式扫描获取的数据重建用于诊断的医学诊断图像，并且当将该医学诊断图像通过显示单元呈现时，可以同时标注该医学诊断图像的方位信息，因此，即使不进行体位设置，也不会造成医生对于图像的方位的混淆。
在一种实施例中，上述训练的深度学习网络是基于外部载体(例如，医学成像系统之外的设备)上的训练系统训练得到的。在一些实施例中，训练系统可以包括用于存储训练数据集的第一模块，用于基于模型进行训练和/或更新的第二模块，以及用于连接第一模块和第二模块的网络。在一些实施例中，第一模块包括第一处理单元和第一存储单元，其中第一存储单元用于存储训练数据集，第一处理单元用于接收相关的指令(例如，获取训练数据集)并根据指令向第二模块发送该训练数据集。第二模块包括第二处理单元和第二存储单元，其中第二存储单元用于存储训练模型，第二处理单元用于接收相关的指令、进行学习网络的训练和/或更新等。在一些实施例中，网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
一旦深度学习网络被生成和/或配置，其数据可以被复制和/或加载到上述磁共振成像系统500中，这可以以不同的方式完成。例如，可以通过磁共振成像系统系统500的控制器单元530和第二存储单元之间的定向连接或链路加载模型。就这一点而言，可以使用可用的有线和/或无线连接和/或根据任何合适的通信(和/或网络)标准或协议来完成不同元件之间的通信。可选地，数据可以间接地加载到磁共振成像系统500中。例如，数据可以存储到合适的机器可读介质(例如，闪存卡等)中，然后使用该介质将数据加载到磁共振成像系统500(现场，诸如由系统的用户或授权人员)，或者数据可以下载到能够本地通信的电子设备(例如，笔记本电脑等)中，然后在现场使用(例如，由系统的用户或授权人员)该设备以将该数据经由直接连接(例如，USB连接器等)上传到磁共振成像系统500中。
基于上述描述，本发明的实施例还可以提供一种一种医学成像系统，其包括控制器单元，该控制器单元用于控制训练的深度学习网络接收图像组，并接收经由所述深度学习网络输出的检测对象的体位信息，该图像组包括经由所述医学成像系统对检测对象执行预扫描得到的在多个方位上的多幅预扫描图像。
该深度学习网络具体地用于在多个预先确定的体位类型中确定一个作为所述检测对象的体位信息。
该深度学习网络可以包括第一学习网络402和第二学习网络404，第一学习网络402用于接收该图像组，并输出每幅预扫描图像的图像类别，该图像类别包括该多个方位中的至少一个与该多个体位类型中的至少一个的组合。该第二学习网络404用于接收每幅预扫描图像的图像类别，并输出检测对象的体位信息。
第二学习网络404还用于在接收的图像类别中提取较少数的图像类别，并将提取的图像类别修正为与接收的图像类别中较多数的图像类别一致。其中，该较少数的图像类别和该较多数的图像类别包括相同的方位。
本发明的实施例还可以提供一种计算机可读存储介质，其用于存储指令集和/或计算机程序，该指令集和/或计算机程序由计算机执行时使计算机执行上述任一实施例的识别检测对象的体位的方法，执行该指令集和/或计算机程序的计算机可以为医学成像系统系统的计算机，也可以为医学成像系统的其它装置/模块，在一种实施例中，该指令集和/或计算机程序可以编制于计算机的处理器/控制器，例如上述控制器单元530。
具体地，该指令集和/或计算机程序由计算机执行时使计算机：
基于训练的学习网络，识别医学图像的图像质量类型；以及
基于所识别的图像质量类型，生成相应的用于控制医学成像系统的控制信号。
如上所述的指令可以被合并为一个指令执行，任一指令也可以被拆分成多个指令以执行，此外，也并不限于按照上述的指令执行顺序。
在一些实施例中，在识别医学图像中的图像质量的类型之前还包括基于用户的指令接收由所述医学成像系统生成的所述医学图像。
如本文使用的，术语“计算机”可包括任何基于处理器或基于微处理器的系统，其包括使用微控制器、精简指令集计算机(RISC)、专用集成电路(ASIC)、逻辑电路和能够执行本文描述的功能的任何其它电路或处理器的系统。上文的示例只是示范性的，并且从而不意在采用任何方式限制术语“计算机”的定义和/或含义。
指令集可包括各种命令，其指示作为处理机的计算机或处理器执行特定的操作，例如各种实施例的方法和过程。指令集可采用软件程序的形式，该软件程序可形成一个或多个有形的非暂时性计算机可读介质的一部分。该软件可采用例如系统软件或应用软件的各种形式。此外，该软件可采用独立程序或模块的集合、在更大程序内的程序模块或程序模块的一部分的形式。该软件还可包括采用面向对象编程的形式的模块化编程。输入数据由处理机的处理可响应于操作者命令，或响应于先前的处理结果，或响应于由另外一个处理机作出的请求。
上面已经描述了一些示例性实施例，然而，应该理解的是，可以做出各种修改。例如，如果所描述的技术以不同的顺序执行和/或如果所描述的系统、架构、设备或电路中的组件以不同方式被组合和/或被另外的组件或其等同物替代或补充，则可以实现合适的结果。相应地，其他实施方式也落入权利要求的保护范围内。

Claims (15)

1.一种医学成像中识别检测对象的体位的方法，其包括：
经由训练的深度学习网络接收图像组，所述图像组包括经由对检测对象执行预扫描得到的在多个方位上的多幅预扫描图像；以及，
经由所述深度学习网络输出所述检测对象的体位信息。
2.如权利要求1所述的方法，其中，经由所述深度学习网络输出所述检测对象的体位信息包括：在多个预先确定的体位类型中确定一个作为所述检测对象的体位信息。
3.如权利要求2所述的方法，其中，所述深度学习网络包括第一学习网络和第二学习网络，所述方法包括：
经由所述第一学习网络接收所述图像组，并输出每幅预扫描图像的图像类别，所述图像类别包括所述多个方位中的至少一个与所述体位类型中的至少一个的组合；以及，
经由所述第二学习网络接收每幅预扫描图像的图像类别，并输出所述检测对象的体位信息。
4.如权利要求3所述的方法，其中，所述多个方位包括冠状位、矢状位和横断位，每个体位类型包括检测对象的头或脚的朝向与仰卧、俯卧、左侧卧或右侧卧中的一个的组合。
5.如权利要求3所述的方法，其中，所述第二学习网络在接收的图像类别中提取较少数的图像类别，并将提取的图像类别修正为与接收的图像类别中较多数的图像类别一致。
6.如权利要求5所述的方法，其中，所述较少数的图像类别和所述较多数的图像类别包括相同的方位。
7.如权利要求1所述的方法，所述深度学习网络包括VGG(Visual Geometry Group)卷积神经网络。
8.一种计算机可读存储介质，其用于存储计算机程序，所述计算机程序由计算机执行时使计算机执行权利要求1-7任一项所述的方法。
9.一种医学成像系统，其包括控制器单元，所述控制器单元用于控制训练的深度学习网络接收图像组，并接收经由所述深度学习网络输出的检测对象的体位信息，所述图像组包括经由所述医学成像系统对检测对象执行预扫描得到的在多个方位上的多幅预扫描图像。
10.如权利要求9所述的系统，其中，所述深度学习网络用于在多个预先确定的体位类型中确定一个作为所述检测对象的体位信息。
11.如权利要求10所述的系统，其中，所述深度学习网络包括第一学习网络和第二学习网络，所述第一学习网络用于接收所述图像组，并输出每幅预扫描图像的图像类别，所述图像类别包括所述多个方位中的至少一个与所述体位类型中的至少一个的组合；所述第二学习网络用于接收每幅预扫描图像的图像类别，并输出所述检测对象的体位信息。
12.如权利要求11所述的系统，其中，所述多个方位包括冠状位、矢状位和横断位，每个体位类型包括检测对象的头或脚的朝向与仰卧、俯卧、左侧卧或右侧卧中的一个的组合。
13.如权利要求11所述的系统，其中，所述第二学习网络用于在接收的图像类别中提取较少数的图像类别，并将提取的图像类别修正为与接收的图像类别中较多数的图像类别一致。
14.如权利要求13所述的系统，其中，所述较少数的图像类别和所述较多数的图像类别包括相同的方位。
15.如权利要求9所述的系统，所述深度学习网络包括VGG(Visual Geometry Group)卷积神经网络。
CN201911050865.8A 2019-10-31 2019-10-31 医学成像系统、识别检测对象的体位的方法、存储介质 Pending CN112749593A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911050865.8A CN112749593A (zh) 2019-10-31 2019-10-31 医学成像系统、识别检测对象的体位的方法、存储介质
US17/074,849 US11540788B2 (en) 2019-10-31 2020-10-20 Medical imaging system, method for identifying body position of detection object, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911050865.8A CN112749593A (zh) 2019-10-31 2019-10-31 医学成像系统、识别检测对象的体位的方法、存储介质

Publications (1)

Publication Number Publication Date
CN112749593A true CN112749593A (zh) 2021-05-04

Family

ID=75641254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911050865.8A Pending CN112749593A (zh) 2019-10-31 2019-10-31 医学成像系统、识别检测对象的体位的方法、存储介质

Country Status (2)

Country Link
US (1) US11540788B2 (zh)
CN (1) CN112749593A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115148341A (zh) * 2022-08-02 2022-10-04 重庆大学附属三峡医院 一种基于体位识别的ai结构勾画方法及系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3671641A1 (en) * 2018-12-20 2020-06-24 Koninklijke Philips N.V. Automated detection of abnormal subject configuration for medical imaging
WO2021130991A1 (ja) * 2019-12-26 2021-07-01 楽天グループ株式会社 不正検知システム、不正検知方法、及びプログラム
JP7529438B2 (ja) * 2020-05-19 2024-08-06 富士フイルムヘルスケア株式会社 磁気共鳴イメージング装置及びその制御プログラム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160055633A1 (en) * 2013-04-17 2016-02-25 DIXIT S.r.I. Method for the automatic recognition of anatomical structures in images obtained by positron emission tomography, system and computer program for performing said method
CN107909622A (zh) * 2017-11-30 2018-04-13 上海联影医疗科技有限公司 模型生成方法、医学成像的扫描规划方法及医学成像系统
CN109949271A (zh) * 2019-02-14 2019-06-28 腾讯科技（深圳）有限公司 一种基于医学图像的检测方法、模型训练的方法及装置
CN109949304A (zh) * 2018-03-29 2019-06-28 北京昆仑医云科技有限公司 图像检测学习网络的训练和获取方法、图像检测装置和介质
CN110299199A (zh) * 2019-06-28 2019-10-01 上海联影医疗科技有限公司 医学影像扫描方法、装置、计算机设备和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3380859A4 (en) * 2015-11-29 2019-07-31 Arterys Inc. AUTOMATED SEGMENTATION OF CARDIAC VOLUME
US10452813B2 (en) * 2016-11-17 2019-10-22 Terarecon, Inc. Medical image identification and interpretation
EP3392832A1 (en) * 2017-04-21 2018-10-24 General Electric Company Automated organ risk segmentation machine learning methods and systems
US10650286B2 (en) * 2017-09-07 2020-05-12 International Business Machines Corporation Classifying medical images using deep convolution neural network (CNN) architecture

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160055633A1 (en) * 2013-04-17 2016-02-25 DIXIT S.r.I. Method for the automatic recognition of anatomical structures in images obtained by positron emission tomography, system and computer program for performing said method
CN107909622A (zh) * 2017-11-30 2018-04-13 上海联影医疗科技有限公司 模型生成方法、医学成像的扫描规划方法及医学成像系统
CN109949304A (zh) * 2018-03-29 2019-06-28 北京昆仑医云科技有限公司 图像检测学习网络的训练和获取方法、图像检测装置和介质
CN109949271A (zh) * 2019-02-14 2019-06-28 腾讯科技（深圳）有限公司 一种基于医学图像的检测方法、模型训练的方法及装置
CN110299199A (zh) * 2019-06-28 2019-10-01 上海联影医疗科技有限公司 医学影像扫描方法、装置、计算机设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JOANNA CZAJKOWSKA 等: "4-D fuzzy connectedness-based medical image segmentation technique", 《PROCEEDINGS OF THE 20TH INTERNATIONAL CONFERENCE MIXED DESIGN OF INTEGRATED CIRCUITS AND SYSTEMS - MIXDES 2013》, 10 October 2013 (2013-10-10), pages 519 - 524 *
吴仲明: "基于体可视化的计算机辅助头部轮廓测量系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 February 2017 (2017-02-15), pages 138 - 3919 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115148341A (zh) * 2022-08-02 2022-10-04 重庆大学附属三峡医院 一种基于体位识别的ai结构勾画方法及系统

Also Published As

Publication number Publication date
US20210128084A1 (en) 2021-05-06
US11540788B2 (en) 2023-01-03

Similar Documents

Publication Publication Date Title
US11540788B2 (en) Medical imaging system, method for identifying body position of detection object, and storage medium
US11944463B2 (en) Pseudo-CT generation from MR data using a feature regression model
US20210407086A1 (en) Method and apparatus for training image segmentation model, computer device, and storage medium
CN110391014B (zh) 利用使用深度学习的序列预测的医学图像采集方法和系统
US10733788B2 (en) Deep reinforcement learning for recursive segmentation
CN107909622B (zh) 模型生成方法、医学成像的扫描规划方法及医学成像系统
US11941786B2 (en) Image noise reduction method and device
WO2017066317A1 (en) Pseudo-ct generation from mr data using tissue parameter estimation
CN107563434B (zh) 一种基于三维卷积神经网络的脑部mri图像分类方法、装置
US11410374B2 (en) Synthetic parameterized computed tomography from surface data in medical imaging
CN110728274A (zh) 医疗设备计算机辅助扫描方法、医疗设备及可读存储介质
US11544848B2 (en) Deep learning based methods and systems for automated subject anatomy and orientation identification
CN109949288A (zh) 肿瘤类型确定系统、方法及存储介质
CN110739049A (zh) 图像勾画方法、装置、存储介质及计算机设备
US20200074631A1 (en) Systems And Methods For Identifying Implanted Medical Devices
CN114707742A (zh) 自适应放疗策略的人工智能预测方法和系统
US11380026B2 (en) Method and device for obtaining predicted image of truncated portion
US20220392076A1 (en) Device and method for modeling three-dimensional organ by image segmentation
CN112102223B (zh) 用于自动设置扫描范围的方法和系统
CN114419309B (zh) 一种基于大脑T1-w磁共振影像的高维特征自动提取方法
EP3736773B1 (en) Imaging method and device
CN114140487A (zh) 脑部图像分割方法及装置
CN114648536A (zh) 血管壁的提取方法及装置
CN113327224A (zh) 自动视场（fov）界定的系统和方法
US20240303973A1 (en) Actor-critic approach for generating synthetic images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination